[发明专利]运用粒子群算法优化动态网格工作流的方法

说明书

技术领域：

本发明涉及网格计算以及智能算法两大领域，主要涉及一种基于粒子群算法的动态网格工作流优化方法。

技术背景：

粒子群算法是一种模拟自然界中鸟群和鱼群捕食的随机搜索算法。算法中的每个粒子均能“记忆”自己的以及群体的飞行经验，并以此不断调整自己的速度和位置。粒子群算法由于其定义清晰，简单实用，自提出以来就得到了广发的应用，例如动态分配、医学图形配准、机器学习与训练、数据挖掘与分类和信号控制等各领域。

网格计算可以支持大范围的并行和分布式计算，被认为是有潜力的下一代计算平台。与电网类似，计算网格使得分布于不同地理位置的各种不同计算资源的共享、选择和协同运作成为可能。网格技术可以满足科学和商业上的计算需求，并且提供了解决计算密集型问题的可行方法。在网格中处理的计算应用通常称为工作流。在网格的环境中，工作流定义是：一个完成复杂目标的特定的任务序列。在网格计算中，如何调度工作流以达到更高的性能是一个十分重要的问题。通常，工作流以有向无环图(DAG)的形式给出，其中节点表示单个任务而有向的箭线表示任务间的优先关系。任务调度程序需要把任务分配给不同的分布式计算站点进行处理，以满足用户对服务质量的要求并优化计算性能。总的来说，在DAG中的调度问题是NP-完全的，因此工作流调度是一个十分复杂的问题。

最近，开放式网格服务体系结构(OGSA)的提出使得网格计算技术得到了加强。在OGSA中，一个任务可以由任意一组由不同的网格服务供应商提供的服务进程完成。一个具有挑战性的问题是如何将任务映射到服务进程中以满足用户对服务质量的要求并达到工作流的最高性能。在OGSA的环境下，工作流调度者需要平衡多个对QoS的要求，包括时限和费用等。因此，很多传统的工作流调度算法，例如OLB算法，MET算法，MCT算法，Min-min算法，Max-min算法，Duplex算法，Sufferage算法和HEFT算法等并不适用。近年来，带有多个QoS要求的网格工作流调度问题成为了研究的热点。由于网格应用的规模越来越大，传统的确定性算法往往不能给出令人满意的解。因此，元启发式算法得到研究人员的更多关注，包括蚁群算法和粒子群算法等。但是，已提出的方法只能针对拓扑结构不变的工作流进行处理。在日常应用中，还存在另一种拓扑结构会随着时间变化的动态工作流。例如，一些科学工作流会在不同的计算阶段采用不同的拓扑结构。此外，许多商业工作流也运用多种拓扑以完成长期的业务流程。为了解决动态工作流的调度问题，调度者需要在一个周期中考虑工作流的性能并给出最优的调度方案。

发明内容：

本发明将粒子群算法运用到动态网格工作流的优化中。算法的具体步骤包括：

(1)初始化算法的各个参数，并建立第一代粒子群，粒子的编码方式为：

X＝[x₁，x₂，...，x_N]

其中x_i∈Z，表示将任务i映射到进程中，N是工作流中的任务总数量。

(2)根据每个粒子所处的当前位置评估每个粒子的适应值，适应值函数为：

其中，K.max_makespan表示调度K的最大工期，Deadline表示期限约束，K.cost为调度K的费用，min_total_cost和max_total_cost分别表示工作流在一个周期内最小和最大费用。

(3)更新每个粒子的个体最优位置，以及所有粒子的全局最佳位置。

(4)每个粒子执行速度更新，更新公式为：

v_ij＝ω×v_ij+c₁×r_1j×(p_ij-x_ij)+c₂×r_2j×(g_j-x_ij)

其中，ω为惯性权重，c₁和c₂为加速系数，r₁^d和r₂^d是两个从0到1均匀分布的随机数。

(5)根据更新后的速度向量执行位置更新，更新公式为：

x_ij＝x_ij+v_ij

(6)对每个粒子更新后的位置执行修补，方法为取最接近的整数。

(7)如果达到结束条件则终止程序，否则返回步骤(2)。